Qual a relação entre o Ibovespa e a Taxa de Câmbio?

Em dia de caos na Argentina, que sofre os efeitos da derrota de Macri nas prévias das eleições, a economia brasileira não saiu impune ontem. O Índice Ibovespa caiu 2% e a taxa de câmbio flertou novamente com os 4 R$/US$. Diante disso, resolvi dar uma olhada na relação entre essas duas variáveis ao longo do tempo, usando o R - aprenda a usar o R em nossos Cursos Aplicados. Abaixo, carregamos alguns pacotes.


library(quantmod)
library(ggplot2)
library(ggalt)

E assim podemos pegar os dados do yahoo finance com uma função do pacote quantmod.


getSymbols("BRL=X",src="yahoo")
getSymbols("^BVSP",src="yahoo")

Um pequeno tratamento é feito abaixo.


cambio = `BRL=X`[,4]
ibov = BVSP[,4]
data = cbind(cambio, ibov)
data = data[complete.cases(data)]
colnames(data) = c('cambio', 'ibov')

E assim, estamos prontos para plotar um gráfico.


ggplot(data, aes(cambio, ibov))+
geom_point()

Caso o leitor se interesse, verá que a correlação entre as séries é positiva, para uma amostra de dados diários, entre janeiro de 2007 e agosto de 2019. Mas o gráfico mostra clusters onde a correlação entre as séries parece ser negativa. Nós podemos destacar essas aglomerações com o pacote ggalt e dentro delas, verificar o ajuste. Antes de mais nada, nós selecionamos três clusters como abaixo.


data_select = data[data$cambio > 1.5 & data$cambio < 2.5 &
data$ibov > 33000 & data$ibov < 69000,]

data_select2 = data[data$cambio > 3 & data$cambio < 4.2 &
data$ibov > 31000 & data$ibov < 69000,]

data_select3 = data[data$cambio > 3.6 & data$cambio < 4.2 &
data$ibov > 75000 & data$ibov < 100000,]

E assim, podemos construir o código do gráfico.


ggplot(data, aes(cambio, ibov))+
geom_point(size=.6, colour='black')+
geom_encircle(aes(x=cambio, y=ibov),
data=data_select,
color="red",
size=2,
expand=0.08)+
geom_smooth(aes(x=cambio, y=ibov),
data=data_select,
method='lm',
colour='#8abbd0',
size=1.5)+
geom_encircle(aes(x=cambio, y=ibov),
data=data_select2,
color="orange",
size=2,
expand=0.08)+
geom_smooth(aes(x=cambio, y=ibov),
data=data_select2,
method='lm',
colour='#8abbd0',
size=1.5)+
geom_encircle(aes(x=cambio, y=ibov),
data=data_select3,
color="blue",
size=2,
expand=0.08)+
geom_smooth(aes(x=cambio, y=ibov),
data=data_select3,
method='auto',
colour='#8abbd0',
size=1.5,
se=FALSE)+
labs(x='BRL/USD', y='Ibovespa',
title='Taxa de Câmbio vs. Ibovespa',
subtitle='Dados Diários: janeiro de 2007 a agosto de 2019',
caption='Fonte: analisemacro.com.br com dados do Yahoo Finance')

E aí está...

Para a nossa amostra completa, como dito, a correlação é positiva, mas dentro dos nossos clusters a correlação é negativa, como destacado no gráfico.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

Dashboard Financeiro com IA e Shiny Python: Análise de Dados Abertos da CVM

Este artigo apresenta um tutorial completo sobre como construir uma ferramenta de análise financeira de ponta. Utilizando Shiny for Python, demonstramos a automação da coleta de dados das Demonstrações Financeiras Padronizadas (DFP) da CVM e o tratamento dessas informações com Pandas. O ponto alto do projeto é a integração da IA Generativa do Google Gemini, que atua como um assistente de análise, interpretando os dados filtrados pelo usuário e fornecendo insights contábeis e financeiros em tempo real. O resultado é um dashboard dinâmico que democratiza a análise de dados complexos e acelera a tomada de decisão.

Econometria, ML ou IA para previsão da PMS?

Prever a Pesquisa Mensal de Serviços (PMS/IBGE) é um desafio por natureza: trata-se de uma série mensal, sujeita a volatilidade e choques que vão de fatores sazonais a mudanças estruturais no setor. Para enfrentar esse problema, realizamos um exercício de comparação entre três abordagens de modelagem: econometria tradicional (ARIMA), machine learning (XGBoost) e inteligência artificial (TimeGPT).

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.